Kajian akhir tahun: 6 kejayaan besar dalam sains komputer pada 2022! Penyulitan kuantum retak, pendaraban matriks terpantas, dsb. ada dalam senarai

Pada tahun 2022, banyak acara mencipta zaman akan berlaku dalam bidang komputer.

Tahun ini, saintis komputer mempelajari rahsia penghantaran yang sempurna, Transformer telah mencapai kemajuan pesat, dan dengan bantuan AI, algoritma yang berusia berdekad-dekad telah dipertingkatkan dengan baik...

Acara Komputer Besar pada 2022

Kini, pelbagai masalah yang boleh diselesaikan oleh saintis komputer semakin meluas, jadi kerja mereka juga semakin bersifat antara disiplin.

Tahun ini, banyak pencapaian dalam bidang sains komputer turut membantu saintis dan ahli matematik yang lain.

Contohnya, isu kriptografi, yang melibatkan keselamatan seluruh Internet.

Di sebalik kriptografi selalunya terdapat masalah matematik yang kompleks. Pernah ada skim kriptografi baharu yang sangat menjanjikan yang dianggap mencukupi untuk menentang serangan daripada komputer kuantum Walau bagaimanapun, skema ini telah dibatalkan oleh masalah matematik "hasil dua lengkung eliptik dan hubungannya dengan permukaan Abelian."

Set perhubungan matematik yang berbeza, dalam bentuk fungsi sehala, akan memberitahu kriptografi sama ada mereka mempunyai kod yang benar-benar selamat.

Sains komputer, terutamanya pengkomputeran kuantum, juga mempunyai pertindihan yang ketara dengan fizik.

Peristiwa utama dalam teori sains komputer tahun ini ialah para saintis membuktikan sangkaan NLTS.

Dugaan ini memberitahu kita bahawa jalinan kuantum hantu antara zarah tidak sehalus yang dibayangkan oleh ahli fizik.

Ini bukan sahaja menjejaskan pemahaman kita tentang dunia fizikal, tetapi juga memberi kesan kepada banyak kemungkinan kriptografi yang ditimbulkan oleh keterjeratan.

Selain itu, kecerdasan buatan sentiasa menjadi pelengkap kepada biologi - sebenarnya, bidang biologi mendapat inspirasi daripada otak manusia, yang mungkin The komputer muktamad.

Sejak sekian lama, saintis komputer dan saintis saraf berharap untuk memahami cara otak berfungsi dan mencipta kecerdasan buatan seperti otak, tetapi ini seolah-olah sentiasa menjadi impian paip.

Tetapi apa yang luar biasa ialah rangkaian neural Transformer nampaknya dapat memproses maklumat seperti otak. Setiap kali kita memahami lebih lanjut tentang cara Transformers berfungsi, kita lebih memahami tentang otak, dan sebaliknya.

Mungkin inilah sebabnya Transformer begitu mahir dalam pemprosesan bahasa dan klasifikasi imej.

Malah, AI boleh membantu kami mencipta AI yang lebih baik, dan hypernetwork baharu boleh membantu penyelidik melatih rangkaian saraf pada kos yang lebih rendah dan kelajuan yang lebih pantas, dan juga boleh membantu saintis dalam bidang lain.

Atas1: Jawapan kepada jalinan kuantum

Jitan kuantum ialah sifat yang menghubungkan rapat zarah yang jauh Masalahnya, sistem yang terjerat sepenuhnya tidak dapat diterangkan sepenuhnya.

Walau bagaimanapun, ahli fizik percaya bahawa sistem yang hampir dengan jalinan lengkap akan lebih mudah untuk diterangkan. Tetapi saintis komputer percaya bahawa sistem ini juga mustahil untuk dikira, dan ini adalah sangkaan PCP (Probabilistically Checkable Proof) kuantum.

Untuk membantu membuktikan teori PCP kuantum, saintis mencadangkan hipotesis yang lebih mudah dipanggil "Negeri Trivial Tenaga Bukan Rendah" (NLTS).

Pada bulan Jun tahun ini, tiga saintis komputer dari Universiti Harvard, University College London dan University of California, Berkeley, mencapai bukti pertama sangkaan NLTS dalam kertas kerja.

Alamat kertas: https://arxiv.org/abs/2206.13228

Ini bermakna terdapat sistem kuantum yang boleh mengekalkan keadaan terjerat pada suhu yang lebih tinggi Ia juga menunjukkan bahawa walaupun jauh dari keadaan melampau seperti suhu rendah, sistem zarah terjerat masih sukar untuk menganalisis dan mengira tenaga keadaan tanah.

Ahli fizik terkejut kerana ini bermakna jalinan tidak semestinya rapuh seperti yang mereka sangkakan, manakala saintis komputer gembira dapat membuktikan sesuatu yang dipanggil kuantum PCP (Probabilistically Possible). teorem adalah satu langkah lebih dekat.

Pada bulan Oktober tahun ini, penyelidik berjaya menjerat tiga zarah dalam jarak yang agak jauh, mengukuhkan kemungkinan penyulitan kuantum.

Top2: Mengubah cara AI memahami

Sejak lima tahun lalu, Transformer telah merevolusikan cara AI memproses maklumat .

Pada 2017, Transformer mula-mula muncul dalam kertas kerja.

Orang ramai membangunkan Transformer untuk memahami dan menjana bahasa. Ia boleh memproses setiap elemen dalam data input dalam masa nyata, memberikan mereka pandangan "gambaran besar".

Berbanding dengan rangkaian bahasa lain yang menggunakan pendekatan berpecah-belah, "gambaran besar" ini sangat meningkatkan kelajuan dan ketepatan Transformer.

Ini juga menjadikannya sangat serba boleh Penyelidik AI lain juga menggunakan Transformer pada bidang mereka sendiri.

Mereka mendapati bahawa menggunakan prinsip yang sama boleh digunakan untuk menaik taraf alatan untuk pengelasan imej dan memproses berbilang jenis data secara serentak.

Alamat kertas: https://arxiv.org/abs/2010.11929

Transformers dengan pantas menjadi peneraju dalam aplikasi seperti pengecaman perkataan yang tertumpu pada menganalisis dan meramalkan teks. Ia mencetuskan gelombang alat, seperti GPT-3 OpenAI, yang melatih ratusan bilion perkataan dan menjana teks baharu yang konsisten kepada tahap yang mengganggu.

Walau bagaimanapun, berbanding dengan model bukan Transformer, faedah ini datang dengan mengorbankan lebih banyak volum latihan untuk Transformer.

Wajah ini dicipta oleh rangkaian berasaskan Transformer yang dilatih pada set data lebih 200,000 wajah terkenal

Malah, Transformer sangat mudah menyesuaikan diri sehingga ahli sains saraf telah mula menggunakan rangkaian berasaskan Transformer untuk memodelkan fungsi otak manusia.

Ini menunjukkan bahawa kecerdasan buatan dan kecerdasan manusia mungkin satu dan sama.

Top3: Algoritma penyulitan kuantum selepas retak

Kemunculan pengkomputeran kuantum telah menimbulkan banyak masalah yang pada asalnya memerlukan jumlah yang besar pengiraan telah diselesaikan, dan keselamatan algoritma penyulitan klasik juga terancam. Akibatnya, kalangan akademik telah mencadangkan konsep kriptografi pasca-kuantum untuk menentang keretakan oleh komputer kuantum.

Sebagai algoritma penyulitan yang dinanti-nantikan, SIKE (Supersingular Isogeny Key Encapsulation) ialah algoritma penyulitan yang menggunakan lengkung eliptik sebagai teorem.

Walau bagaimanapun, pada bulan Julai tahun ini, dua penyelidik dari Universiti Leuven di Belgium mendapati bahawa algoritma ini boleh menggunakan mesin berusia 10 tahun hanya dalam satu jam komputer meja berjaya digodam.

Perlu diambil perhatian bahawa penyelidik mendekati masalah ini dari perspektif matematik semata-mata, menyerang teras reka bentuk algoritma dan bukannya sebarang kelemahan kod yang berpotensi.

Alamat kertas: https://eprint.iacr.org/2022/975

Dalam hal ini, Penyelidik Penyelidik mengatakan bahawa hanya jika anda boleh membuktikan kewujudan "fungsi sehala" adalah mungkin untuk mencipta kod yang terbukti selamat, iaitu, kod yang tidak boleh gagal.

Walaupun masih tidak diketahui sama ada ia wujud, penyelidik percaya bahawa masalah ini bersamaan dengan masalah lain yang dipanggil kerumitan Kolmogorov. Fungsi sehala dan kriptografi benar hanya boleh dilakukan jika beberapa versi kerumitan Kolmogorov sukar dikira.

Top4: Melatih AI dengan AI

Dalam beberapa tahun kebelakangan ini, kemahiran pengecaman corak rangkaian saraf tiruan telah menyuntik tenaga baharu ke dalam bidang kecerdasan buatan.

Tetapi sebelum rangkaian boleh mula berfungsi, penyelidik mesti melatihnya terlebih dahulu.

Proses latihan ini boleh bertahan selama berbulan-bulan dan memerlukan sejumlah besar data, yang mungkin berbilion-bilion parameter perlu diperhalusi.

Kini, penyelidik mempunyai idea baharu - biarkan mesin melakukannya untuk mereka.

"jaringan hiper" baharu ini dipanggil GHN-2, dan ia mampu memproses dan meludahkan rangkaian lain.

Pautan kertas: https://arxiv.org/abs/2110.13100

Ia pantas dan boleh menganalisis mana-mana rangkaian tertentu dan dengan pantas menyediakan satu set nilai parameter yang sah seperti parameter dalam rangkaian yang dilatih dengan cara tradisional.

Walaupun parameter yang disediakan oleh GHN-2 mungkin tidak optimum, ia masih memberikan titik permulaan yang lebih ideal, mengurangkan masa dan data yang diperlukan untuk latihan penuh.

Dilatih oleh perambatan belakang dengan parameter yang diramalkan pada set data imej yang diberikan dan set data seni bina DEEPNETS-1M kami

Musim panas ini, majalah Quanta turut mengkaji satu lagi kaedah baharu untuk membantu pembelajaran mesin - kecerdasan buatan yang terkandung.

Ia membolehkan algoritma belajar daripada persekitaran tiga dimensi yang responsif dan bukannya imej statik atau data abstrak.

Sama ada mereka adalah ejen yang meneroka dunia simulasi atau robot di dunia nyata, sistem ini mempunyai cara pembelajaran yang berbeza secara asasnya yang, dalam banyak kes, lebih pantas daripada menggunakan kaedah tradisional sistem lebih baik.

Top5: Penambahbaikan algoritma

Meningkatkan kecekapan algoritma pengkomputeran asas sentiasa menjadi topik hangat dalam komuniti akademik, kerana ia akan menjejaskan kelajuan keseluruhan sesebuah besar. bilangan pengiraan, dengan itu menjejaskan bidang pengkomputeran pintar Cipta kesan domino.

Pada bulan Oktober tahun ini, pasukan DeepMind mencadangkan AI pertama untuk menemui algoritma baru, cekap dan betul untuk tugas pengkomputeran asas seperti pendaraban matriks dalam kertas kerja yang diterbitkan dalam Nature System - AlphaTensor .

Kemunculannya telah menemui jawapan baharu kepada masalah matematik yang belum diselesaikan berusia 50 tahun: mencari cara terpantas untuk mendarab dua matriks.

Pendaraban matriks, sebagai salah satu operasi asas transformasi matriks, ialah komponen teras bagi banyak tugas pengkomputeran. Ia meliputi grafik komputer, komunikasi digital, latihan rangkaian saraf, pengkomputeran saintifik, dsb., dan algoritma yang ditemui oleh AlphaTensor boleh meningkatkan kecekapan pengkomputeran dalam bidang ini.

Alamat kertas: https://www.nature.com/articles/s41586-022-05172-4

Pada bulan Mac tahun ini, satu pasukan yang terdiri daripada enam saintis komputer mencadangkan algoritma "cepat sangat", yang memberikan komputer penyelesaian terobosan kepada kemajuan "masalah aliran maksimum" tertua.

Algoritma baharu boleh menyelesaikan masalah ini dalam masa "hampir linear", iaitu, masa berjalannya pada asasnya adalah berkadar dengan masa yang diperlukan untuk merekodkan butiran rangkaian.

Alamat kertas: https://arxiv.org/abs/2203.00671v2

Masalah aliran maksimum ialah masalah pengoptimuman gabungan Ia membincangkan cara menggunakan sepenuhnya keupayaan peranti untuk memaksimumkan aliran pengangkutan dan mencapai hasil yang terbaik.

Dalam kehidupan seharian, ia digunakan dalam banyak aspek, seperti aliran data Internet, penjadualan syarikat penerbangan, dan juga memadankan pencari kerja dengan jawatan kosong, dsb.

Sebagai salah seorang pengarang makalah, Daniel Spielman dari Universiti Yale berkata, "Saya pada asalnya percaya bahawa algoritma yang cekap seperti itu tidak boleh wujud untuk masalah ini." .

Karya beliau telah membolehkan penyelidik mengukur istilah seperti "maklumat" dan "pengetahuan," yang bukan sahaja memberikan pemahaman teoritis tentang interaksi Teknologi baharu dicipta untuk menjadikan komunikasi lebih cekap dan tepat.

Braverman suka memikirkan masalah kuantitatif terbaik di sofa di pejabat

Kerana dia Untuk pencapaian ini, antara pencapaian lain, Kesatuan Matematik Antarabangsa menganugerahkan Braverman pada Julai ini Pingat Abakus IMU, salah satu penghormatan tertinggi dalam sains komputer teori.

Ucapan anugerah IMU menegaskan bahawa sumbangan Braverman kepada kerumitan maklumat telah memberikan pemahaman yang lebih mendalam tentang ukuran kos maklumat yang berbeza apabila dua pihak berkomunikasi antara satu sama lain.

Kerja beliau membuka jalan kepada strategi pengekodan baharu yang kurang terdedah kepada ralat penghantaran dan cara baharu memampatkan data semasa penghantaran dan manipulasi.

Masalah kerumitan maklumat datang daripada kerja perintis Claude Shannon - pada tahun 1948, beliau membangunkan rangka kerja matematik untuk seseorang menghantar mesej kepada orang lain melalui saluran.

Dan sumbangan terbesar Braverman adalah untuk mewujudkan rangka kerja yang luas yang menjelaskan peraturan biasa untuk menerangkan sempadan komunikasi interaktif - peraturan ini mencadangkan cara untuk menghantar data dalam talian melalui algoritma strategi baharu untuk memampatkan dan melindungi data.

Alamat kertas: https://arxiv.org/abs/1106.3595

Masalah "mampatan interaktif" boleh difahami dengan cara ini: Jika dua orang bertukar satu juta mesej teks, tetapi hanya mempelajari 1,000 bit maklumat, bolehkah pertukaran itu dimampatkan kepada 1,000 bit pemuliharaan?

Penyelidikan Braverman dan Rao menunjukkan bahawa jawapannya adalah tidak.

Dan Braverman bukan sahaja memecahkan masalah ini, dia memperkenalkan perspektif baharu yang membolehkan penyelidik menjelaskannya terlebih dahulu dan kemudian meletakkannya dalam perspektif Diterjemahkan ke dalam bahasa formal matematik.

Teori beliau meletakkan asas untuk meneroka isu ini dan mengenal pasti protokol komunikasi baharu yang mungkin muncul dalam teknologi masa hadapan.

Atas ialah kandungan terperinci Kajian akhir tahun: 6 kejayaan besar dalam sains komputer pada 2022! Penyulitan kuantum retak, pendaraban matriks terpantas, dsb. ada dalam senarai. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!